CN112000917B - 融合已知相别和地址信息的低压用户计量表箱识别方法 - Google Patents
融合已知相别和地址信息的低压用户计量表箱识别方法 Download PDFInfo
- Publication number
- CN112000917B CN112000917B CN202011186193.6A CN202011186193A CN112000917B CN 112000917 B CN112000917 B CN 112000917B CN 202011186193 A CN202011186193 A CN 202011186193A CN 112000917 B CN112000917 B CN 112000917B
- Authority
- CN
- China
- Prior art keywords
- clustering
- address information
- phase
- user
- voltage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了融合已知相别和地址信息的低压用户计量表箱识别方法。该方法是一种在低压用户入户相别识别基础上结合用户地址信息的表箱分类识别方法,在采集用户智能电表电压量测和地址信息基础上,首先选取合适的聚类数进行分线箱聚类;再选定合适的表箱聚类数并且根据用户地址信息构建约束,进一步通过改进的约束的k‑medoids聚类算法将用户辨识到表箱内,最后根据聚类结果对表箱进行标识分类。本方法充分结合用户用电信息与用户地址信息,并且对现有的聚类方法进行改进,提高了低压配电计量表箱的识别准确率,有助于电力部门按照具体分类后的表箱标识精确、便捷得找到表箱。
Description
技术领域
本发明属于智能电网领域。具体涉及一种在低压用户入户相别识别基础上结合用户地址信息识别表箱的方法。
背景技术
目前,低压配电网存在三类拓扑不清的问题,分别用户入户相别不清、用户电能表表箱所属不清和电气网络拓扑及电气参数识别不清。其中用户入户相别不清、用户电能表表箱所属不清属于运行计量器具的识别问题,将用户入户相别识别与用户电能表表箱识别纳入计量拓扑识别问题;而电气网络拓扑及电气参数识别纳入电气拓扑识别问题。
现有技术中,对低压配电网入户相别识别已有了一定的研究,而表箱识别只有文献《基于t-SNE降维和BIRCH聚类的单相用户相位及表箱辨识》(连子宽,姚力,刘晟源,等.基于t-SNE降维和BIRCH聚类的单相用户相位及表箱辨识[J/OL].2020,电力***自动化,http://doi.org/10.7500/AEPS20190621001.)中有相关的记载,且其技术方案不能完全适应实际案例。
智能电表在全球范围内都得到了广泛应用,国内外不少地区已经具备96点/天的采样技术,同时用电采集***可以保存较长连续天数的完整电表数据,因此通过电表读数来解决计量拓扑问题是一个可以充分利用现有信息的最佳解决方法。
根据国家及行业规范和相关典型设计,标准计量箱电气连接方式如图1所示,其中Wh表示计量箱;计量箱分为6类,即①单相单表位、②单相多表位、③三相单表位、④三相多表位、⑤经互感器接入式、⑥经配电分线箱的计量箱;常规方法采用聚类方法对电压时序波形进行区分,这样直接的聚类识别对于配电分线箱是有效的,然而对于一个线路分叉点下属的单表位表箱、多表位表箱的电能计量箱,如图2所示,由于计量箱到分叉点的电气距离相近,极有可能出现幅值和波动性类似的电压时序波形特性,在负载相对较小时,仅利用电压时序波形特性很难有效区分。通过引入小区用户地址的单元号中隐含的表箱安装信息,有助于提高计量箱的识别准确率。
发明内容
针对现有技术的不足,本发明提出融合已知相别和地址信息的低压用户计量表箱识别方法,在已知入户线相别的基础上结合用户地址信息,再对现有的聚类方法进行了改进,提出融合了已知相别和地址信息的低压配电计量表箱识别方法。
一种融合已知相别和地址信息的低压用户计量表箱识别方法,具体包括以下步骤:
步骤一、准备已知数据;
s1.1、采集用户电压数据:
设定配电变压器低压三相四线出线为M条,台区共有MD个分线箱作为线路的主要分叉节点;通过智能电表采集配置后确定台区内单相用户与三相用户的数量分别为n1和n2,则等效单相计量用户是数量n为:
n=n1+3n2 (1)
收集T次电压历史数据U∈Rn*T:
其中,un,t为第n个等效用户第t次的电压数据;在已知相别的情况下,将T次的电压历史数据按照相别区分为UA∈RnA*T、UB∈RnB*T、UC∈RnC*T,其中nA、nB、nC为按相区分的等效单相用户数量。
s1.2、采集用户地址信息:
s1.2.1、提取用户地址信息。将地址信息转换为Unicode码,确定用户的楼号、单元号以及门牌号。
s1.2.2、补全用户地址信息。根据提取到用户地址信息,对漏填的用户信息进行补全。
步骤二、分线箱聚类数评估;
分别针对分相后的电压数据UA、UB、UC进行聚类,得到的分线箱聚类数为Md,d∈A、B、C,为了使聚类簇之间的边界清晰以充分利用数据特征,要求Md满足:
k≥Md≥MD (3)
其中,k表示d相下属的等效单相计量箱个数,由用户地址信息中的单元号确定;分线箱聚类数Md的值经过评估后确定,评估方法为:
s2.1、利用公式(3)确定Md的上下限,Md∈[MD,k]且Md为整数。
s2.2、对Md的每一个取值计算其对应聚类结果的轮廓系数s(j):
s(j)=(b(j)-a(j))/max{a(j),b(j)} (4)
其中a(j)和b(j)分别表示凝聚度和分离度,计算公式为:
其中y是指离样本j最近的中心点cy,Cy是指最接近中心点cy的所有样本的集合,ky是最接近中心点cy的簇内所有的样本的数量;而z是指除y以外的中心点,kz则是除y以外的中心点簇内的样本数量,di,j表示欧氏距离。
s2.3、求s(j)的平均值:
s2.4、比较计算得到的每个整数Md值的SC值,SC值越趋近于1表示簇内实例之间越紧凑、簇内越大,即聚类效果越好。选取令SC值最接近1的Md值作为分线箱聚类数。
步骤三、初步聚类;
将步骤二中评估得到的分线箱聚类数Md作为聚类数,对分相后的电压数据UA、UB、UC进行初步聚类,得到各相电压数据在分线箱层面的分类结果,其分类数量为各相的Md值。
步骤四、获取表箱聚类数并构建约束;
s4.1、依据用户地址信息中的单元号确定步骤三中第l簇下属的等效单相计量箱个数,即表箱聚类数,设为Ml。
s4.2、依据用户地址信息中的上下邻里关系构建聚类过程中的约束关系,确保处于同一约束内的用户在聚类过程中始终处于同一簇内。
步骤五、表箱聚类;
利用约束的k-medoids聚类算法,结合步骤四得到的表箱聚类数Ml和构建的约束关系对步骤三得到的每一个簇进行表箱聚类。
所述约束的k-medoids聚类算法的迭代过程为:
s5.1、在样本空间中选择Ml个初值作为中心点;
所述Ml个初值的选择步骤包括:
s5.1.1、在样本空间中随机选取一个样本作为一个初值并记录;
s5.1.2、若被选中的样本在某个约束中,则将此约束中的所有样本排除出样本空间;否则仅排除此样本;
s5.1.3重复Ml次步骤5.1.1和步骤5.1.2,得到Ml个初值;
s5.2、将每一个约束中的所有样本作为子集,没有参与约束的每个样本点都单独作为一个子集;
s5.3、通过公式(8)计算每个样本行向量Ue到每个聚类中心点cf的距离def,并将距离def按子集为单位各自取平均,再将每个子集都分配给最近的一个中心点;
其中,t表示时间片段,t∈[1,T],T为用户电压数据的测量总次数;cf,t是聚类中心点序列的第t个元素;ue,t是样本行向量Ue的第t个元素;
s5.4、在每个聚类簇中依次检查将除中心点以外的样本作为新的中心点是否可以让簇内距离的总和减少,如果可以,则该样本作为新的中心点;
s5.5、若中心点发生变化,重复步骤5.3与步骤5.4;若中心点不变,则输出聚类结果。
步骤六、分类与标识;
相同电压的总节点数量为:
K即为电压波形的最终分类个数;将等效单相计量箱识别的问题转化为用户智能电表电压的分类问题,完成分类后利用收集到的用户地址信息,为最终分类簇标记地址信息,即完成表箱的分类。
本发明具有以下有益效果:
1、充分将台区相关信息、用户智能电表的量测信息以及用户的地址信息用于表箱的辨识,提高辨识精度。
2、提出约束的k-medoids聚类算法,对原有的k-medoids聚类算法进行改进,有效引入地址信息的约束。
3、通过两步聚类,吻合台区拓扑“相线-分线箱-表箱”的分层结构;分线箱的聚类数评估有效利用了智能电表的电压量测,使分类的边界更清晰。
附图说明
图1为标准计量箱的电气连接方式;
图2为计量箱结构型式示意图;
图3为本方法流程图;
图4a为实施例一的分线箱聚类结果,图4b为表箱聚类结果;
图5a为实施例二的分线箱聚类结果,图5b为表箱聚类结果。
具体实施方式
以下结合附图对本发明作进一步的解释说明。
实施例一:
本实施例对6#台区中的157个用户作为分类对象,完成用户计量表箱识别。
如图3所示,具体包括以下步骤:
步骤一、准备已知数据。
s1.1、采集用户电压数据;
通过智能电表采集配置后确定台区内单相用户数量n为157,其中A相、B相、C相单相用户的数量分别为nA=60、nB=39、nC=58;采集5天每天96点的电压历史数据U∈Rn*T,T=5*96=480。按照相别将电压历史数据区分为UA、UB、UC:
其中每行表示一个用户被采集的480条电压数据,UA、UB、UC中每行电压数据对应的用户账号见下表:
A相用户的用户名 | B相用户的用户名 | C相用户的用户名 |
3011018035 | 3011018068 | 3011003007 |
3011018036 | 3011020311 | 3011003013 |
3011018037 | 3011020312 | 3011019413 |
… | … | … |
3011247375 | 3012097962 | 3012024776 |
3012222122 | 3012196625 | 3012256768 |
s1.2、采集用户地址信息;
s1.2.1、提取用户地址信息。根据用户填写的地址,提取用户的楼号、单元号以及门牌号。下表为用户填写的地址信息及提取后的信息:
s1.2.2、补全用户地址信息。按照“上下相邻的用户是必然位于同一幢楼的同一个单元内”的原则,对提取后用户地址信息进行补全。补全后的地址信息如下表所示:
步骤二、分线箱聚类数评估。
设分别针对分相后的电压数据UA、UB、UC进行分线箱聚类,分线箱聚类数为Md,d∈A、B、C,为了使聚类簇之间的边界清晰以充分利用数据特征,要求k≥Md≥MD,其中MD为6#台区中的分线箱数量,MD=3。k为d相下属的等效单相计量箱个数,A、B、C相下属的等效单相计量箱个数分别为6个、4个、4个。又因为分线箱聚类数Md的值为整数,所以对于A、B、C相,Md的可能取值分别为(3,4,5,6)、(3,4)、(3,4)。
分别针对A、B、C相的每一个Md的可能取值计算其对应聚类结果的轮廓系数s(j)与轮廓系数平均值SC,轮廓系数平均值SC的计算结果如下表所示:
因为SC值越趋近于1表示簇内实例之间越紧凑、簇内越大,聚类效果越好。因此选取令SC值最接近1的值作为分线箱聚类数Md的值。比较表中的数据可知,A、B、C相的分线箱聚类数Md的取值分别为6、4、3。
步骤三、初步聚类。
将步骤二中通过评估后得到的分线箱聚类数Md作为聚类数,使用经典的k-medoids聚类算法针对分相后的电压数据UA、UB、UC进行分线箱聚类,聚类结果如图4a所示,其中UA、UB、UC经过分线箱聚类后分别产生了6、4、3个簇。
步骤四、获取表箱聚类数并构建约束。
s4.1、步骤三中电压数据UA、UB、UC分线箱聚类结果分别为6、4、3簇,依据用户地址信息中的单元号确定第l簇下属的等效单相计量箱个数,作为表箱聚类数Ml的值,要求当某个单元号出现的数量大于2时,才认为聚类簇内存在该单元号的等效单相计量箱。则A、B、C相第l簇下属的下属表箱聚类数分别为(1,1,1,1,1,1)、(1,1,1,1)、(1,2,1),即C相的第2簇下属2个等效单相计量箱。
s4.2、依据用户地址信息中的上下邻里关系构建聚类过程中的约束关系,确保处于同一约束内的用户在聚类过程中始终处于同一簇内。例如在12幢内门牌号符合“X03”形式的用户都在12幢的同一个单元中应具有相同的约束标识。在同一个相别内,约束标识数字相同的用户处于同一个约束内;标示为“NaN”的用户不参与约束。
步骤五、表箱聚类
利用约束的k-medoids聚类算法,结合步骤四得到的表箱聚类数Ml和构建的约束关系对步骤三得到的每一个簇再次进行表箱聚类。
以C相的分线箱聚类结果的第2簇为例,即图4a中,C相分线箱聚类结果中的类别2:用户账号、约束标识与单元号地址统计信息如下表所示:
用户账号 | 约束编号 | 单元号地址 | 用户账号 | 约束编号 | 单元号地址 |
3011003013 | 5 | 81 | 3011046217 | 2 | 74 |
3011030557 | 3 | 81 | 3011046218 | 1 | 74 |
3011030558 | 3 | 81 | 3011046221 | 2 | 74 |
0311030559 | 3 | 81 | 3011046222 | 1 | 74 |
3011030560 | 3 | 81 | 3011046225 | 2 | 74 |
3011030561 | NaN | 81 | 3011046226 | 1 | 74 |
3011030562 | 4 | 81 | 3011046229 | 2 | 74 |
3011030563 | 4 | 81 | 3011046230 | 1 | 74 |
3011030564 | 4 | 81 | 3011046233 | 2 | 74 |
3011046213 | 2 | 74 | 3011046234 | 1 | 74 |
3011046214 | 1 | 74 |
。
由表中信息可知C相的分线箱聚类结果的第2簇中,单元号地址仅有81和74两类,所以表箱聚类数Ml=2,聚类过程如下:
s5.1在样本空间中选择2个初值作为中心点。第一个被选中的样本为“3011046217”,其约束标识为2,在约束标识不为2的样本空间中,选择了第二个样本“3011046214”。
s5.2将具有相同约束标识的样本划分为一个子集,每一个没有参与约束的样本都作为一个单独的子集。将约束标识为1、2、3、4、5的样本分别划分为子集1、2、3、4、5,将没有参与约束的样本“3011030561”作为子集6。
s5.3分别计算6个子集到第一个中心点“3011046217”和第二个中心点“3011046214”的平均距离,结果如下表所示:
子集 | 到第一个中心点的距离 | 到第二个中心点的距离 |
1 | 21.21 | 17.52 |
2 | 15.11 | 18.90 |
3 | 15.06 | 18.45 |
4 | 12.60 | 14.55 |
5 | 3.03 | 4.04 |
6 | 3.62 | 3.75 |
。
比较每个子集到两个中心点的距离,取距离近的那个点作为该子集的中心点。则子集2、3、4、5、6的中心点为第一个中心点“3011046217”,子集1的中心点为第二个中心点“3011046214”。将子集2、3、4、5、6作为簇1,子集1作为簇2。
s5.4分别计算簇1和簇2中,以其他样本为中心点时的簇内距离总和,并将使得簇内距离总和最小的样本作为新的中心点。经过计算,簇1和簇2中分别选取“3011030563”和“3011046230”可以使其簇内距离总和最小,所以将这两个点更新为新的中心点。
s5.5因为步骤5.4中,中心点发生了变化,所以分别计算6个子集到新的两个中心点“3011030563”和“3011046230”的距离,并根据计算结果重新划分,将子集3、4、5、6作为簇1,子集1、2作为簇2。
s5.6重复步骤5.4中簇内距离总和的计算,产生了新的中心点“3011046226”和“3011030558”。
s5.7以步骤5.6中的中心点“3011046226”和“3011030558”划分新的簇并计算簇内距离总和后,发现没有其他点可以使簇内距离总和减少,所以以“3011046226”和“3011030558”为最终聚类中心点,并仍然以子集3、4、5、6作为簇1,子集1、2作为簇2,输出C相的分线箱聚类第2簇的表箱聚类结果。
表箱聚类簇1对应了“白漾里6#-6-3分配箱-白漾里50幢81#”表箱,而表箱聚类簇2对应了“白漾里6#-6-3分配箱-白漾里45幢74#”表箱,并且簇中用户都在对应的表箱中,没有产生错误辨识。
整合表箱聚类的结果,如图4b所示,UA、UB、UC经过分线箱聚类后分别产生了6、4、4个簇。其中UC在经过表箱聚类后,增加了一个簇,表箱聚类簇1对应图中的类别3,表箱聚类簇2对应图中的类别4。
在合并了表箱聚类结果后与电力局给出的表箱标识相比较,以最大关联原则将簇与表箱一一对应,若簇中用户不在对应的表箱中,则统计为错误数,根据A、B、C三相的错误数可得出整体准确率:
整体准确率=(1-(A相错误数+B相错误数+C相错误数)/台区用户总数)*100%
根据统计结果,A相表箱识别错误2个、B相表箱识别错误2个、C相表箱识别错误0个,所以整体准确率为97.45%。
实施例二:
本实施例对2#台区中的233个单相用户进行分类,其中A、B、C三相用户的数量分别为:nA=68、nB=98、nC=67;分线箱聚类的可视化结果如图5a所示,表箱聚类的可视化结果如图5b,均为电压序列降维至2维后展示在平面上的结果;在分线箱聚类中,A相产生了5个簇,其中簇1在表箱聚类中又被分成了2个簇,在图5b的表箱聚类结果中,A相共有6个簇;B相在分线箱聚类中被分为6个簇,在表箱聚类中进一步被分为9个簇;C相在分线箱聚类中为5个簇,在表箱聚类中进一步分为7个簇。
将表箱聚类结果和电力局提供的表箱标识作比较,以最大关联原则将簇与表箱一一对应,若簇中用户不在对应的表箱中,则统计为错误数,共得到A、B、C相的表箱识别错误统计分别为6、4、1个,所以2#台区的整体准确率为95.28%。
Claims (3)
1.融合已知相别和地址信息的低压用户计量表箱识别方法,其特征在于:该方法具体包括以下步骤:
步骤一、准备已知数据;
s1.1、采集用户电压数据:
设定配电变压器低压三相四线出线为M条,台区共有MD个分线箱作为线路的主要分叉节点;通过智能电表采集配置后确定台区内单相用户与三相用户的数量分别为n1和n2,则等效单相计量用户是数量n为:
n=n1+3n2 (1)
收集T次电压历史数据U∈Rn*T:
s1.2、采集用户地址信息;
步骤二、分线箱聚类数评估;
分别针对分相后的电压数据UA、UB、UC进行聚类,得到的分线箱聚类数为Md,d∈A、B、C,为了使聚类簇之间的边界清晰以充分利用数据特征,要求Md满足:
k≥Md≥MD (3)
其中,k表示d相下属的等效单相计量箱个数,由用户地址信息中的单元号确定;分线箱聚类数Md的值经过评估后确定,评估方法为:
s2.1、利用公式(3)确定Md的上下限,Md∈[MD,k]且Md为整数;
s2.2、对Md的每一个取值计算其对应聚类结果的轮廓系数s(j):
s(j)=(b(j)-a(j))/max{a(j),b(j)} (4)
其中a(j)和b(j)分别表示凝聚度和分离度,计算公式为:
其中y是指离样本j最近的中心点cy,Cy是指最接近中心点cy的所有样本的集合,ky是最接近中心点cy的簇内所有的样本的数量;而z是指除y以外的中心点,kz则是除y以外的中心点簇内的样本数量,di,j表示欧氏距离;
s2.3、求s(j)的平均值:
s2.4、比较计算得到的每个整数Md值的SC值,选取令SC值最接近1的Md值作为分线箱聚类数;
步骤三、初步聚类;
将步骤二中评估得到的分线箱聚类数Md作为聚类数,对分相后的电压数据UA、UB、UC进行初步聚类,得到各相电压数据在分线箱层面的分类结果,其分类数量为各相的Md值;
步骤四、获取表箱聚类数并构建约束;
s4.1、依据用户地址信息中的单元号确定步骤三中第l簇下属的等效单相计量箱个数,即表箱聚类数,设为Ml;
s4.2、依据用户地址信息中的上下邻里关系构建聚类过程中的约束关系,确保处于同一约束内的用户在聚类过程中始终处于同一簇内;
步骤五、表箱聚类;
利用约束的k-medoids聚类算法,结合步骤四得到的表箱聚类数Ml和构建的约束关系对步骤三得到的每一个簇再次进行聚类;
约束的k-medoids聚类算法的迭代过程为:
s5.1、在样本空间中选择Ml个初值作为中心点;
s5.2、将每一个约束中的所有样本作为子集,没有参与约束的每个样本点都单独作为一个子集;
s5.3、通过公式(8)计算每个样本行向量Ue到每个中心点cf的距离def,并将距离def按子集为单位各自取平均,再将每个子集都分配给最近的一个中心点;
其中,t表示时间片段,t∈[1,T],T为用户电压数据的测量总次数;cf,t是聚类中心点序列的第t个元素;ue,t是样本行向量Ue的第t个元素;
s5.4、在每个聚类簇中依次检查将除中心点以外的样本作为新的中心点是否可以让簇内距离的总和减少,如果可以,则该样本作为新的中心点;
s5.5、若中心点发生变化,重复步骤5.3与步骤5.4;若中心点不变,则输出聚类结果;
步骤六、分类与标识;
相同电压的总节点数量为:
K即为电压波形的最终分类个数;完成分类后利用收集到的用户地址信息,为最终分类簇标记地址信息,即完成表箱的分类。
2.如权利要求1所述融合已知相别和地址信息的低压用户计量表箱识别方法,其特征在于:步骤1.2采集用户地址信息的具体方法为:
首先提取用户地址信息,将地址信息转换为Unicode码,确定用户的楼号、单元号以及门牌号;然后根据提取到用户地址信息,对漏填的用户信息进行补全。
3.如权利要求1所述融合已知相别和地址信息的低压用户计量表箱识别方法,其特征在于:步骤5.1所述Ml个初值的选择方法为:
s5.1.1、在样本空间中随机选取一个样本作为一个初值并记录;
s5.1.2、若被选中的样本在某个约束中,则将此约束中的所有样本排除出样本空间;否则仅排除此样本;
s5.1.3、重复Ml次步骤5.1.1和步骤5.1.2,得到Ml个初值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011186193.6A CN112000917B (zh) | 2020-10-30 | 2020-10-30 | 融合已知相别和地址信息的低压用户计量表箱识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011186193.6A CN112000917B (zh) | 2020-10-30 | 2020-10-30 | 融合已知相别和地址信息的低压用户计量表箱识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112000917A CN112000917A (zh) | 2020-11-27 |
CN112000917B true CN112000917B (zh) | 2021-02-09 |
Family
ID=73475268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011186193.6A Active CN112000917B (zh) | 2020-10-30 | 2020-10-30 | 融合已知相别和地址信息的低压用户计量表箱识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112000917B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113466578A (zh) * | 2021-05-27 | 2021-10-01 | 中能瑞通(北京)科技有限公司 | 一种农网台区箱表拓扑关系识别方法及用户用电监测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040174153A1 (en) * | 2003-03-06 | 2004-09-09 | Benson Emory W. | Apparatus and method for electrical cable identification |
CN108734603A (zh) * | 2018-05-24 | 2018-11-02 | 河南工业大学 | 基于聚类的大数据相位识别方法 |
CN109873501A (zh) * | 2019-04-15 | 2019-06-11 | 东南大学 | 一种低压配电网拓扑自动识别方法 |
CN110321919A (zh) * | 2019-04-30 | 2019-10-11 | 广东电网有限责任公司 | 一种用于低压单相用户户相关系辨识的聚类方法 |
CN111080105A (zh) * | 2019-12-06 | 2020-04-28 | 国网辽宁省电力有限公司沈阳供电公司 | 基于电压时序数据的台区户变关系识别方法及*** |
CN111222541A (zh) * | 2019-12-02 | 2020-06-02 | 国网浙江省电力有限公司 | 一种基于深度卷积神经网络的外表箱类型识别方法 |
CN111505434A (zh) * | 2020-04-10 | 2020-08-07 | 国网浙江余姚市供电有限公司 | 一种低压配电表箱线路、表箱故障隐患识别方法 |
-
2020
- 2020-10-30 CN CN202011186193.6A patent/CN112000917B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040174153A1 (en) * | 2003-03-06 | 2004-09-09 | Benson Emory W. | Apparatus and method for electrical cable identification |
CN108734603A (zh) * | 2018-05-24 | 2018-11-02 | 河南工业大学 | 基于聚类的大数据相位识别方法 |
CN109873501A (zh) * | 2019-04-15 | 2019-06-11 | 东南大学 | 一种低压配电网拓扑自动识别方法 |
CN110321919A (zh) * | 2019-04-30 | 2019-10-11 | 广东电网有限责任公司 | 一种用于低压单相用户户相关系辨识的聚类方法 |
CN111222541A (zh) * | 2019-12-02 | 2020-06-02 | 国网浙江省电力有限公司 | 一种基于深度卷积神经网络的外表箱类型识别方法 |
CN111080105A (zh) * | 2019-12-06 | 2020-04-28 | 国网辽宁省电力有限公司沈阳供电公司 | 基于电压时序数据的台区户变关系识别方法及*** |
CN111505434A (zh) * | 2020-04-10 | 2020-08-07 | 国网浙江余姚市供电有限公司 | 一种低压配电表箱线路、表箱故障隐患识别方法 |
Non-Patent Citations (3)
Title |
---|
《低压配电台区网络拓扑和相别自动辨识技术研究》;李明维 等;《电气时代》;20181031(第10期);第62-63页 * |
《基于t-SNE降维和BIRCH聚类的单相用户相位及表箱辨识》;连子宽 等;《电力***自动化》;20200430;第44卷(第8期);第176-184页 * |
《基于异常点检测和改进K-means算法的台区用户相别辨识方法》;张然 等;《智慧电力》;20200131;第48卷(第1期);第91-96页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112000917A (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111061821B (zh) | 基于改进k值聚类算法的低压配电网拓扑校验方法及*** | |
CN107340492A (zh) | 基于大数据挖掘和场景预判的电能计量装置故障分析方法 | |
CN111817291B (zh) | 一种基于电压关联特性的低压台区相户关系识别方法 | |
CN111505433B (zh) | 一种低压台区户变关系纠错及相位识别方法 | |
CN109873501B (zh) | 一种低压配电网拓扑自动识别方法 | |
CN106372747B (zh) | 基于随机森林的台区合理线损率估计方法 | |
WO2013046938A1 (ja) | 電力系統状態推定装置およびそれを用いた電力系統システム | |
CN114519514B (zh) | 一种低压台区合理线损值测算方法、***及计算机设备 | |
CN104376371B (zh) | 一种基于拓扑的配网分层负荷预测方法 | |
CN113723844B (zh) | 一种基于集成学习的低压台区理论线损计算方法 | |
CN113176458B (zh) | 一种针对数据不完整的低压台区相户关系识别方法 | |
CN113872204B (zh) | 一种基于电网图拓扑计算的用电负荷性质确定方法及装置 | |
CN110264032A (zh) | 一种直流配网规划方案评价结果的获取方法 | |
CN112000917B (zh) | 融合已知相别和地址信息的低压用户计量表箱识别方法 | |
CN112701675A (zh) | 基于筛选电压数据的配电台区用户相别辨识方法及*** | |
CN116845971A (zh) | 一种光伏并网低压台区拓扑结构自动识别方法 | |
Mutanen et al. | Customer classification and load profiling based on AMR measurements | |
CN115882448A (zh) | 基于局部离群因子检测算法的配网台区线损异常检测方法 | |
CN113866552B (zh) | 一种基于机器学习的中压配网用户用电异常诊断方法 | |
CN113572164B (zh) | 一种基于k-means聚类分析的配电网台区识别方法 | |
Vasudevarao et al. | Methodology for creating composite standard load profiles based on real load profile analysis | |
CN112182499B (zh) | 一种基于时序电量数据的低压配电网拓扑结构辨识方法 | |
CN113466520A (zh) | 一种在线识别失准电能表的方法 | |
CN112990730A (zh) | 一种利用人为采集失败增强电量相关性特征的方法 | |
CN112508254A (zh) | 变电站工程项目投资预测数据的确定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |